首页 › new-tools › Selenium之父出山与本地实时语音AI

Selenium之父出山与本地实时语音AI：五款HN炸裂新利器

导语

你可能不知道，Selenium的创建者刚刚发布了一个全新的AI浏览器自动化工具，HN上拿下443票。你还可能不知道，OpenAI两年前演示的实时语音+视觉AI，现在一个独立开发者用Google开源模型在你笔记本上就跑起来了，端到端延迟只有2.5秒。今天这五款工具，每一款都代表一个技术方向的拐点——而且大多数中国开发者还没听说过。

一、Vibium：Selenium之父的AI原生浏览器自动化

HN热度：443票 / 124评论 | 2025年12月发布

如果你做过Web自动化测试，你一定用过Selenium。Vibium就是Selenium创建者Jason Huggins的新作品——但这不是Selenium 5.0，而是一个从零设计的AI原生浏览器自动化工具。

为什么值得关注

传统浏览器自动化（Selenium、Playwright、Puppeteer）是为人类开发者设计的API。Vibium是为AI Agent设计的。核心区别：

实操步骤

# 安装
npm install -g vibium

# 安装为Claude Code的Skill
npx skills add https://github.com/VibiumDev/vibium --skill vibe-check

# 基本使用
vibium go https://example.com          # 打开页面
vibium map                             # 映射交互元素
vibium click @e1                       # 点击元素
vibium find text "Submit"              # 语义查找
vibium screenshot --annotate -o a.png  # 标注截图

与国内工具对比

维度 Vibium 国内RPA工具（弘玑、影刀）
定位 AI Agent验证层 企业RPA流程自动化
协议 W3C WebDriver BiDi 自研/图像识别
体积 10MB单文件 客户端>500MB
价格 开源免费 商业授权
AI集成 原生Skill/MCP API调用
适合场景 开发者自测、AI Agent验证 企业流程自动化

适用人群：使用AI编码助手的开发者、Web测试工程师、构建AI Agent的团队

官网：https://github.com/VibiumDev/vibium

二、Parlor：本地跑实时语音+视觉AI，M3 Pro即可

HN热度：298票 / 38评论 | 2026年4月发布

2024年OpenAI演示了GPT-4o的实时语音对话——摄像头看着你，你说话它就回话。所有人都在等API开放。而独立开发者Fikri Karim已经用开源模型在你笔记本上实现了同样的事。

技术架构

浏览器（麦克风 + 摄像头）
    │ WebSocket（音频PCM + JPEG帧）
    ▼
FastAPI服务端
    ├── Gemma 4 E2B（LiteRT-LM） → 理解语音+视觉
    └── Kokoro TTS（MLX/ONNX）    → 语音回复
    │ WebSocket（流式音频块）
    ▼
浏览器（播放 + 字幕）

性能实测（Apple M3 Pro）

阶段 耗时
语音+视觉理解 1.8-2.2秒
生成25 tokens回复 0.3秒
文本转语音（1-3句） 0.3-0.7秒
端到端总延迟 2.5-3.0秒

解码速度：M3 Pro上约83 tokens/秒。仅占用约3GB内存。

为什么这是拐点

  1. 完全本地，零API成本：模型用Google开源的Gemma 4 E2B（约2.6GB），TTS用Kokoro 82M
  2. 支持打断：AI说到一半你可以直接开口打断，像真人对话一样
  3. 多语言：Gemma 4 E2B原生多语言，可以用来做语言学习
  4. 句子级流式TTS：不等全部文本生成完就开始播放

五分钟跑起来

git clone https://github.com/fikrikarim/parlor.git
cd parlor/src
curl -LsSf https://astral.sh/uv/install.sh | sh  # 安装uv
uv sync
uv run server.py
# 打开 http://localhost:8000，授权摄像头和麦克风，开始对话

应用场景

适用人群：独立开发者、AI应用开发者、教育技术从业者、语言学习者

GitHub：https://github.com/fikrikarim/parlor

三、Axe：12MB二进制替代整个AI Agent框架

HN热度：227票 / 128评论 | 2026年3月发布

当所有人都在做越来越重的AI Agent框架时，开发者jrswab反其道而行：用12MB的Go二进制替代整个框架。

核心理念：Unix哲学做Agent

传统AI框架：GUI → 大上下文 → 一个Agent做所有事
Axe的方式：  CLI → 管道输入 → 小Agent做一件事 → 管道输出

Axe把LLM Agent当Unix程序对待——每个Agent只做一件事，通过管道组合。不常驻守护进程，不要GUI，不要框架绑定。

关键特性

实战示例

# 初始化
axe config init

# 创建代码审查Agent
axe agents init pr-reviewer
axe agents edit pr-reviewer

# 管道使用
git diff --cached | axe run pr-reviewer
cat error.log | axe run log-analyzer

# 从cron触发
# 0 9 * * * axe run daily-report

与主流框架对比

维度 Axe LangChain/AutoGen CrewAI
体积 12MB单文件 pip install数百MB pip install
语言 Go二进制 Python Python
哲学 Unix管道 框架式 团队式
学习曲线 极低 高 中
适合场景 自动化管道 复杂Agent系统 多Agent协作
CI/CD集成 原生支持 需要适配 需要适配

适用人群：DevOps工程师、喜欢命令行的开发者、需要在CI/CD中使用AI的团队

GitHub：https://github.com/jrswab/axe

四、Ghidra MCP：252个工具让AI帮你做逆向工程

HN热度：298票 / 96评论 | 2026年2月发布

这不是又一个MCP demo。这是一个真正的逆向工程师每天在用的生产级工具——连接NSA开源的Ghidra反编译器和AI助手，提供252个MCP工具。

为什么安全圈炸了

大多数Ghidra MCP实现只给几个只读工具就完了。这个项目不同：

实际价值

逆向工程最耗时的不是技术分析，而是文档化和命名。Ghidra MCP让AI自动完成这些：

二进制文件 → Ghidra分析 → AI自动文档化 → 团队共享
                ↓
        函数识别、类型推断、命名建议
        跨版本文档传播

适用人群：安全研究员、逆向工程师、IoT安全分析师、CTF选手

GitHub：https://github.com/bethington/ghidra-mcp

五、Rowboat：把工作自动变成知识图谱的AI同事

HN热度：205票 / 56评论 | YC S24 | 2026年2月发布

Rowboat是YC S24孵化的开源项目。它连接你的Gmail、会议纪要和笔记，自动构建一个长期维护的知识图谱，然后用这个图谱帮你完成实际工作。

核心能力

典型使用场景

"帮我做一个下季度路线图的PPT" 
→ 从图谱提取相关决策和讨论
→ 自动生成PDF

"准备我和Alex的会议"
→ 拉取过去的决策、开放问题、相关邮件线程
→ 生成简报或语音摘要

快速开始

# 下载 Mac/Windows/Linux 客户端
# https://www.rowboatlabs.com/downloads

# 配置Google服务（可选）
# 按 google-setup.md 配置 Gmail/Calendar/Drive

# 可选：配置语音输入（Deepgram）
# 可选：配置语音输出（ElevenLabs）
# 可选：配置网络搜索（Exa）

适用人群：产品经理、创业者、知识工作者、需要管理大量信息的人

GitHub：https://github.com/rowboatlabs/rowboat

工具全景关系图

graph TB
    subgraph 浏览器自动化
        V[Vibium<br/>Selenium之父新作<br/>AI原生/WebDriver BiDi]
        W[Webctl<br/>CLI优于MCP<br/>Token省50%]
    end

    subgraph 本地AI
        P[Parlor<br/>实时语音+视觉<br/>Gemma 4 E2B]
        A[Axe<br/>12MB替代框架<br/>Unix哲学]
    end

    subgraph 专业领域
        G[Ghidra MCP<br/>252工具逆向工程<br/>NSA Ghidra+AI]
        R[Rowboat<br/>知识图谱工作助手<br/>YC S24]
    end

    V -->|为AI Agent设计| P
    W -->|CLI哲学| A
    G -->|MCP协议| V
    R -->|知识管理| A

    style V fill:#4CAF50,color:white
    style P fill:#2196F3,color:white
    style A fill:#FF9800,color:white
    style G fill:#9C27B0,color:white
    style R fill:#F44336,color:white
    style W fill:#607D8B,color:white

信息差总结

你以为的 实际上的 信息差类型
Selenium还在慢慢更新 创建者已发布AI原生替代品Vibium 时间差
实时语音AI需要云端API Parlor用开源模型在M3 Pro本地跑，延迟2.5秒 认知差
AI Agent必须用LangChain等重框架 Axe用12MB单文件+Unix管道搞定 方法差
逆向工程必须手动标注文档 Ghidra MCP的252个工具让AI自动完成 方法差
知识管理靠Notion/Obsidian手动整理 Rowboat自动从邮件会议构建知识图谱 认知差
浏览器自动化MCP是最佳方案 Webctl证明CLI比MCP省50% Token 方法差

行动指南

  1. 立即体验：git clone Parlor，5分钟在笔记本上跑起实时语音+视觉AI，体验OpenAI演示的本地版
  2. 开发者试用Vibium：如果你在做Web测试或AI Agent，用npm install -g vibium安装，比Playwright MCP省一半Token
  3. CI/CD集成Axe：把代码审查、日志分析用管道方式接入AI，12MB零依赖
  4. 安全研究者关注Ghidra MCP：252个工具覆盖反编译、仿真、调试全流程
  5. 知识工作者试Rowboat：免费下载客户端，连接Gmail自动构建知识图谱

参考来源

本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护。 聚焦5G/6G核心网、3GPP标准、AI工具实战。知识星球「51学通信」提供深度技术答疑和行业洞察。

[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。

51学通信知识星球海报-扫码加入

📎 本分类最新文章